ИНФОРМАЦИОННЫЕ СИСТЕМЫ

1. Перечислите квалификационные признаки информационных технологий?

Может быть классификации ИТ? Если так то нашел следующий материал.

Можно классифицировать информационные технологии с различных точек зрения. Информационные технологии можно различать по типу обрабатываемой информации. Разделение достаточно условное, т.к. большинство информационных технологий позволяет поддерживать и другие виды информации. Например, в текстовых процессорах возможна и несложная расчетная деятельность, а табличные процессоры обрабатывают не только цифровую информацию, но и могут генерировать графики. Однако каждая из видов технологии в основном ориентированна на работу с информацией определенного вида. Модификация элементов, составляющих информационные технологии, дает возможность образования новых технологий в различных компьютерных средах.

Информационные технологии можно разделить на обеспечивающие (ОИТ) и функциональные (ФИТ).

Обеспечивающие технологии ? это технологии обработки информации, которые могут использоваться как инструментарий в различных предметных областях. При этом они могут обеспечивать решение задать разного плана и разной степени сложности. ОИТ могут быть разделены по классам задач, в зависимости от класса ОИТ используют разные виды компонентов и программных средств. При объединении ОИТ по предметному признаку возникает проблема системной интеграции, т.е. приведение различных технологий к единому стандартному интерфейсу.

Функциональные информационные технологии (ФИТ) ? это модификация обеспечивающих технологий для задач определенной предметной области, т.е. реализуется предметная технология. Предметные технологии и информационная технология влияют друг на друга. Например, появление пластиковых карточек как носителей финансовой информации принципиально изменила предметную технологию. При этом пришлось создавать совершенно новую информационную технологию. Но, в свою очередь, возможности, представленные новой ИТ, повлияли на предметную технологию пластиковых носителей (в области их защиты, например).

Информационные технологии классифицируются по типам пользовательского интерфейса. Можно выделить системный и прикладной интерфейс.

Прикладной интерфейс связан с реализацией функциональных информационных технологий. Системный интерфейс ? это набор приемов взаимодействия с компьютером, который реализуется операционной системой или ее надстройкой.

Большинство обеспечивающих и функциональных технологий используются пользователем без посредников ? программистов. Пользователь может самостоятельно изменять последовательность применения тех или иных технологий. С точки зрения участия или не участия пользователя в информационном процессе, технологии можно разделить на пакетные и диалоговые.

Задачи, решаемые в пакетном режиме, характеризуются следующими свойствами:

? алгоритм решения задачи формализован, процесс не требует вмешательства человека;

? имеется большой объем входных и выходных данных; значительная их часть хранится на магнитных носителях;

? большое время решения задач, обусловленное объемами данных;

? регламентность, т.е. задачи решаются с заданной периодичностью [2; с. 132].

Диалоговый режим это не альтернатива пакетному режиму, а его развитие. Диалоговый режим позволяет пользователю вмешаться в процесс решения задачи, он отпускает пользователя, отменяет жестко закрепленную последовательность обработки данных. Применение режимов зависит в первую очередь от предметной технологии.

Можно классифицировать информационные технологии по степени их взаимодействия между собой. Например, дискретное и сетевое взаимодействие; взаимодействие с использованием различных вариантов обработки и хранения данных; распределенная информационная база и распределенная обработка данных. Эту классификацию информационных технологий можно изобразить с помощью схемы.

3.2 Классификация по способу реализации в автоматизированных информационных системах

Автоматизированная информационная технология (АИТ) ? системно организованная для решения задач управления совокупность методов и средств реализации операций сбора, регистрации, передачи, накопления, поиска, обработки и защиты информации на базе применения развитого программного обеспечения, используемых средств вычислительной техники и связи, а также способов, с помощью которого информация предлагается клиентам.

АИТ в настоящее время можно классифицировать по ряду признаков, в частности:

§способу реализации в автоматизированных информационных системах (АИС);

§степени охвата АИТ задач управления;

§классам реализуемых технологических операций;

§типу пользовательского интерфейса;

§вариантам использования сети ЭВМ;

§обслуживаемой предметной области [9; c. 165].

По способу реализации АИТ в автоматизированных информационных системах выделяют традиционно сложившиеся и новые информационные технологии.

Если традиционные АИТ прежде всего существовали в условиях централизованной обработки данных, до массового использования ПЭВМ были ориентированы главным образом на снижение трудоемкости при формировании регулярной отчетности, то новые информационные технологии связаны с информационным обеспечением процесса управления в режиме реального времени.

Новая информационная технология ? это технология, которая основывается на применении компьютеров, активном участии пользователей (непрофессионалов в области программирования) в информационном процессе, высоком уровне дружественного пользовательского интерфейса, широком использовании пакетов прикладных программ общего и проблемного назначения, доступе пользователя к удаленным базам данных и программам благодаря вычислительным сетям ЭВМ.

2. Дайте определение систем принятия решений?

Как таковой системы принятия решений не существует. Поскольку человек не доверяет компьютерной системе принятие решений, и как правило, принятие решений возводится на человека. Однако есть автоматизированные системы управления, которые управляют тем или иным объектом или процессом в соответствии с заданием, заданным системе человеком.

Также существуют системы поддержки принятия решений (СППР), которые вырабатывают рекомендации для принятия решения человеком.

Основная специфика современных требований к СППР включает:

1) Данные имеют практически неограниченный объем(WWW-сайты, обычные и электронные документы, БД и т.д.) – «горы» сырой информации.

2) Данные являются разнородными(количественные, качественные, текстовые, графические и т.д.)

3) Результаты, формируемые СППР, должны быть конкретны и понятны

4) Инструменты для обработки сырых данных должны быть просты в использовании

Менеджер любого уровня и в любой функциональной области управления в процессе принятия управленческих решений ежедневно ищет ответы на три ключевых вопроса, относящихся к оценке и управлению эффективностью функционирования компании в зоне его ответственности: – «Как мы работаем?», «Почему мы так работаем?» и «Что нужно сделать, чтобы изменить текущую ситуацию?». Эти вопросы относятся, соответственно, к настоящему, прошлому и будущему организации.

Отвечать на первый вопрос («Как мы работаем»?) менеджеру помогают средства мониторинга и управления по KPI (Measuring and Monitoring).

Отвечать на второй вопрос («Почему мы так работаем»?) менеджеру помогают средства анализа и отчетности (Reporting and Analysis).К ним относятся и инструменты финансовой консолидации, так как результатом их работы также является отчетность – в данном случае консолидированная финансовая.

Наконец, на вопрос «Что делать» менеджеру помогают отвечать средства Корпоративного планирования (Planning).

Существующие инструменты поддержки принятия решений классифицируются как

Инструменты выработки рекомендаций (DMSS)

Этот инструментарий помогает решить следующие задачи:

1) сформировать множество альтернативных вариантов решения,

2) сформировать множество критериев оценки альтернатив,

3) получить оценки альтернатив по критериям,

4) выбрать лучшую альтернативу, которая и выдается системой в качестве рекомендации.

Инструменты подготовки данных (DSS)

Этот инструментарий помогает решить следующие задачи.

1) подготовить базы данных (часто объемные и содержащие сложные взаимосвязи),

2) организовать гибкий и удобный доступ к базам данных через мощные средства формирования запросов,

3) получить результаты запросов в форме, максимально удобной для последующего анализа,

4) использовать мощные генераторы отчетов.

Таким образом, основное назначение СППР данного типа – визуализация информации, предоставление ее в максимально наглядной и полной форме.

Информационные системы руководства

СППР первого типа получили название Информационных Систем Руководства (ExecutiveInformationSystems, ИСР).

По сути, они представляют собой конечные наборы отчетов, построенные на основании данных из реляционной информационной системы предприятия (OLTP- onlinetransactionprocessing), в идеале адекватно отражающей в режиме реального времени все аспекты деятельности.

Для ИСР характерны следующие основные черты:

1) отчеты, как правило, базируются на стандартных для организации запросах; число последних относительно невелико;

2) ИСР представляет отчеты в максимально удобном виде, включающем, наряду с таблицами, деловую графику, мультимедийные возможностии т. п.;

3) Как правило, ИСР ориентированы на конкретный вертикальный рынок, например - финансы, маркетинг, управление ресурсами.

В ИСР качество оперативных решений обеспечивается тем, что данные выбираются непосредственно из ИС предприятием (или из БД предприятия), которая адекватно отражает состояние бизнеса на данный момент времени.

Стратегические СППР

СППР второго типа предполагают глубокую проработку данных, специально преобразованных так, чтобы их было удобно использовать в ходе процесса принятия решений.

3. Что такое экспертная система?

Экспе́ртная систе́ма (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.

экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

В настоящее время «классическая» концепция экспертных систем, сложившаяся в 70-80 годах прошлого века, переживает серьезный кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях почти полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем.

С другой стороны, нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в «классическом» понимании таковыми не являющиеся (например, компьютерные справочно-правовые системы).

Экспертная система содержит следующие компоненты:

1 База знаний состоит из правил анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от направленности ЭС, дает рекомендации по разрешению проблемы. Как правило, база знаний экспертной системы содержит факты (статические сведения о предметной области) и правила — набор инструкций, применяя которые к известным фактам можно получать новые факты. В рамках логической модели баз данных и базы знаний записываются на языке Пролог с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщенных и конкретных сведений, а также конкретных и обобщенных запросов к базам данных и базам знаний.

Интерфейс пользователя

Пользователь

Интеллектуальный редактор базы знаний

Эксперт

Инженер по знаниям

Рабочая (оперативная) память

Решатель (механизм логического вывода)

Подсистема объяснений

Существует два режима функционирования экспертной системы:

Режим ввода знаний — в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС.

Режим консультации — пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

Примеры экспертный систем:

CLIPS — весьма популярная оболочка для построения ЭС (public domain)

OpenCyc — мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов

WolframAlpha — база знаний и набор вычислительных алгоритмов, интеллектуальный «вычислительный движок знаний»

MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.

HASP/SIAP — интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.

Акинатор — интернет-игра. Игрок должен загадать любого персонажа, а Акинатор должен его отгадать, задавая вопросы. База знаний автоматически пополняется, поэтому программа может отгадать практически любого известного персонажа.

IBM Watson — суперкомпьютер фирмы IBM, способный понимать вопросы, сформулированные на естественном языке, и находить на них ответы в базе данных.

4. Что такое нейронная сеть?

Искусственная нейронная сеть представляет собой математическую модель биологической нейронной сети, а также ее программную или аппаратную реализацию. Искусственная нейронная сеть построена по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма.

После разработки архитектуры такой сети, алгоритмов ее обучения и прохождения процессов обучения нейронной сети ее можно использовать для решения какой-либо конкретной задачи, трудно решаемой традиционными методами и алгоритмами.

Искусственная нейронная сеть представляет собой сеть из простых процессоров, обрабатывающих простые сигналы, поступающие со входов и отсылающих обработанные сигналы другим процессорам. Сами процессоры реализуют простые функции обработки, но сеть из них может быть довольно сложной.

Нейронные сети хорошо решают вычислительно сложные задачи:

- распознавания образов и классификации изображений объектов, кластеризации;

- прогнозирования;

- многопараметрические задачи нелинейной оптимизации;

- задачи адаптивного управления;

- решение проблемы эффективного распараллеливания алгоритмов;

- моделирование естественного интеллекта.

Любая нейронная сеть перед решением задачи должна быть обучена. Технически задача обучения является задачей нахождения эффективных коэффициентов связей между нейронами (процессорами) сети. В процессе обучения сеть учат выявлять зависимости между входными и выходными данными. Эффективно обученная нейронная сеть способна найти зависимости даже в неполных или искаженных данных. Важно перед обучением сети правильно выбрать данные для ее обучения, а после обучения проверить адекватность этого обучения. Проверка адекватности обучения, как правило проводится на примерах, которые не использовались при обучении сети.

В задачах распознавания и классификации нейронные сети при обучении получают различные образцы данных с указанием к какому классу относится данный образец. А обученная нейронная сеть самостоятельно классифицирует различные неизвестные ей ранее входные данные. Входными данными могут быть текстовые и двоичные данные, изображения, звуки, видео. Самый распространенный нейропроцессор, используемый в задачах классификации получил название Перцептрон. Перцептрон имеет n входов и один выход. Каждому входу i из n соответствует свой вес w. Перцептрон высчитывает значение функции f равной сумме произведении сигнала на каждом его входе i на соответствующий ему коэффициент w. Затем перцептрон сравнивает значение функции f с уровнем q. Если f больше q, то перцептрон выдаст на своем выходе 1, если меньше, то -1. Функция f нейропроцессора называется функцией активации выхода.

Другие нейропроцессоры реализуют более сложные функции обработки входных данных, сами сети могу распространять сигнал в обоих направлениях как от входа к выходу, так и от выхода к входу. Радиально-базисные сети имеют нелинейную убывающую функцию активации выхода. В самоорганизующихся картах Кохонена, используемых, в основном, для решения задач оптимизации выходные значения нейронов меняются на каждой итерации а сама сеть отражает структуру обрабатываемых данных.

Нейронные сети классифицируются:

По обрабатываемой информации:

Аналоговые нейронные сети (используют информацию в форме действительных чисел);

Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).

Образные нейронные сети (оперируют с информацией, представленной в виде образов: знаков, иероглифов, символов).

По способу обучения:

Обучение с учителем — выходное пространство решений нейронной сети известно;

Обучение без учителя — нейронная сеть формирует выходное пространство решений только на основе входных воздействий. Такие сети называют самоорганизующимися;

Обучение с подкреплением — система назначения штрафов и поощрений от среды.

Со статическими связями между нейронами, известными еще до начала решения задачи или с динамическими связями между нейронами, меняющимися в процессе решения задачи.

По времени передачи данных между нейронами по связям: синхронные сети с фиксированным и равным временем передачи данных по всем связям и асинхронные сети с различным временем передачи данных для каждой связи.

Отличия от традиционной архитектуры вычислительных машин Фон Неймана:

- массовый параллелизм – огромное количество вычислительных элементов, работающих параллельно и с минимальной зависимостью друг от друга. Информация и вычисления распределены по всей сети и не сконцентрированы в каком-либо узле;

- Адаптивность и способность к обучению, классификации и обобщению;

- Невосприимчивость к ошибкам в работе сети. Зачастую ошибки исправляются во время работы самой сети.

- Сверхнизкое энергопотребление и тепловыделение в аппаратной реализации по сравнению с традиционными процессорами.

Примеры применения:

- В финансовом секторе могут предсказывать состояние индекса на завтра зная состояния за три дня до этого, но при этом нейросеть просто выведет зависимость одного параметра от трех предыдущих;

- Психодиагностика на основе интуитивного подхода;

- Предсказание свойств новых веществ и их комбинаций;

- Системы автоматического управления с высокой устойчивостью и адаптивностью;

- задача разработки алгоритмов нахождения аналитического описания закономерностей функционирования экономических объектов (предприятие, отрасль, регион);

- экономико-статистическое моделирование;

- педагогическое прогнозирования воздействия полученной информации на сознание обучающегося и выработка эффективных методик обучения.

Лекция 2. КЛАССИФИКАЦИЯ ИНФОРМАЦИОННЫХ СИСТЕМ